图卷积（GCN）

于 2024-08-17 22:09:56 发布
阅读量138 收藏
点赞数 5
分类专栏： GNN 文章标签： 深度学习 人工智能 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_64443786/article/details/141286860
版权

一、基本概述

图卷积看起来好像是利用周围的特征，但是在图中每个点的邻居是不确定的

图中常见任务：

  • 节点分类，对每个节点进行预测，不同点是否有连接预测
  • 整个图分类，部分图分类等，不同子图是否相似，异常检测等
  • GCN归根到底还是要完成特征提取操作，只不过输入对象不是固定格式

 如何获取特征：

二、GCN基本计算方法

 网络层数：

特征计算方法：

邻接矩阵与特征矩阵进行乘法操作，表示聚合邻居信息

对邻接矩阵做归一化处理：

几两春秋梦_
关注
  • 5
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
图卷积网络（GCN）
sinat_41942180的博客
01-23 2323
这是在GCN领域最经典的论文之一。我们可以根据这个GCN的图看到，一个拥有C个input channel的graph作为输入，经过中间的hidden layers，得到F个 output channel的输出。（注意本文讲的图都特指无向无权重的图。论文中采用的函数如下：刚开始看的时候，都会被吓到！这个函数未免也太抽象了。但是我们先了解一下它在起的作用，然后再从头一步一步引出这个公式，以及为什么它起到了这些作用。
图卷积GCN模型学习（CSND追光者整理搜集）.zip
12-27
图卷积网络（Graph Convolutional Networks，简称GCN）是深度学习领域中的一种新兴技术，主要用于处理非欧几里得数据，如图结构数据。GCN是将传统的卷积神经网络思想应用到图数据上的扩展，使得在社交网络、生物网络...
图卷积GCN详解
zhuofutong的博客
11-12 3770
首发于神经网络--从入门到放弃写文章卷积神经网络CNN完全指南终极版（一）沉迷学习的糕糕​要成为最可爱的产品经理 （握拳！​关注她5,367 人赞同了该文章目录导读【1】导论【2】卷积运算【3】非线性激活【4】池化层 【5】全连接层【6】神经网络的训练与优化【7】想到再补充【1】导论先来说一写题外话...研究生入学后就被导师逼着学习神经网络，一开始非常盲目，先是在网上搜了一大堆的资料，各种什么“一文读懂卷积神经纹网络”，“叫你三分钟搭建属于自己的神经网络框架”，“五分钟速读神经网络全解”，之类的文章层出不穷
清晰图解，一图看懂图卷积GCN、时空图卷积ST-GCN
qq_43601378的博客
06-15 8002
目录1.前言2.普通卷积与图卷积2.1 普通卷积2.2 图卷积3.ST-GCN图卷积的公式解读4 ST-GCN图卷积的代码解读5 参考文献6 联系方式 1.前言 本文为我阅读论文 Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition 和代码后的所思所想，仅代表我个人观点 2.普通卷积与图卷积 2.1 普通卷积 在理解图卷积之前，需要认识一下传统的卷积。对于一个3×3的卷积操作而言，相当于把3×3
图卷积网络 GCN Graph Convolutional Network（谱域GCN）的理解和详细推导
热门推荐
知行合一，止于至善
08-24 15万+
文章目录1. 为什么会出现图卷积神经网络？2. 图卷积网络的两种类型2.1 vertex domain(spatial domain)：顶点域（空间域）2.2 spectral domain：频域方法（谱方法）3. 什么是拉普拉斯矩阵？3.1 常用的几种拉普拉斯矩阵普通形式的拉普拉斯矩阵对称归一化的拉普拉斯矩阵（Symmetric normalized Laplacian）随机游走归一化拉普拉斯矩...
图卷积网络GCN简介
路过人间，一叶知秋
06-20 3002
本文原文为16年九月所写，可能有些过时，但对于了解GCN的基础知识和设计哲学会有所帮助，此外本文的作者是论文[semi-Supervised Classification with Graph Convolutional Networks](http://arxiv.org/abs/1609.02907)的一作，因此将本文作为了解GCN的开端再好不过
GCN图卷积知识点和推导
09-26
mindmasterGCN图卷积笔记，内含公式推导以及相关知识，结构清晰，便于学习。
T-GCN（图卷积神经网络-交通流预测）（代码）.zip
01-09
图卷积神经网络（Graph Convolutional Networks, GCN）是一种在图结构数据上进行深度学习的方法，它扩展了传统的卷积神经网络（CNN）到非欧几里得数据。在交通流预测任务中，GCN能有效地处理复杂的交通网络结构，...
图卷积网络Graph Convolutional Network（GCN）的理解和详细推导.pdf
06-11
图卷积网络 GCN Graph Convolutional Network（谱域GCN）的理解和详细推导博客pdf 原博客链接：https://blog.csdn.net/yyl424525/article/details/100058264#comments_12499724
st-gcn时空图卷积神经网络
12-11
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition. 图卷积神经网络，2018年AAAI论文代码。
kaggle中访问本地上传的图片(找到图片地址)
m0_55703957的博客
08-12 285
首先，在kaggle中左侧导航栏中找到datasets->New Dataset->Browse Files。选择Your Work->找到你想要使用的图片文件夹，点击右下角的加号。返回到代码中，右侧有一个Notebook->Add input。添加成功后，空心加号变为和image1右下角一样的黑色实心加号。返回Input,可以看到DATASETS下面已经添加进来了。点击红色圆圈中的复制符号即可复制图片存放的路径。创建成功后就可以看到数据集的详细信息。
深度学习调参--总结
GDHBFTGGG的博客
08-13 1090
在深度学习中，调参是提升模型性能的关键步骤。虽然模型的架构设计和数据选择至关重要，但调参过程同样能够对模型的最终表现产生重大影响。
《乳腺密度高的女性中，使用AI辅助的乳腺X线筛查与补充筛查超声的比较研究》| 文献速递-基于深度学习的乳房、前列腺疾病诊断系统
weixin_38594676的博客
08-12 915
与单独乳腺X线检查相比，AI辅助乳腺X线检查具有更高的特异性（95.3% [95% CI: 94.7, 95.8], P = .003）和更低的异常解释率（AIR）（5.0% [95% CI: 4.5, 5.6], P = .004），而单独乳腺X线检查的特异性为94.3% [95% CI: 93.6, 94.8]，AIR为6.0% [95% CI: 5.4, 6.7]。尽管AI提高了乳腺X线检查解读的特异性，但乳腺X线检查加补充超声能够检测出更多未被AI辅助乳腺X线检查发现的淋巴结阴性早期乳腺癌。
Self-similarity Loss : 改进生成图像超分辨率的自相似损失
最新发布
u014546828的博客
08-14 755
在图像处理领域，图像超分辨率（Image Super-Resolution, ISR）是一项基础且重要的任务，其目标是从低分辨率（Low-Resolution, LR）输入图像中恢复出高分辨率（High-Resolution, HR）对应图像，同时保持内容的高保真度。这一技术广泛应用于数字摄影、高清显示、医学图像分析、遥感成像等多个领域。
【论文笔记】Dual-Balancing for Multi-Task Learning
xhyu61的博客
08-12 1285
Милашка♥ ——《不时轻声地以俄语遮羞的邻座艾莉同学》艾莉莎·米哈伊罗夫纳·九条
大模型微调--文章2
sccum的博客
08-13 503
答案：冻结不需要更新的参数答案：bitfit的主要思想是改变某些层中的bias参数答案：离散的模板在自然语言处理（NLP）任务中，尤其是在与预训练语言模型交互时，是指以自然语言文本形式编写的固定提示或框架，用来引导模型生成特定的输出。这种模板是由人类直接设计或通过自动化方法生成的，由于其离散性和固定性，称为“离散的模板”。离散性是因为它们由固定的、不可分割的自然语言单元组成，具有明确的边界，并且在使用时作为一个整体来使用，不可分割。答案：指的是在输入数据的前面加上可以预训练的向量，在整个过程中进行迭代。
深度学习-MTR数据准备与训练
weixin_40826634的博客
08-13 256
5、由于tensorflow与torch中的typing-extensions 版本无法统一，所以数据集准备与训练分别建立两个虚拟环境进行。一个tfrecord中包含大概500个scenario，scenario是一帧数据。2、MTR的数据准备用的是scenario里的数据，不是tf_example里的。num_workers从16改成1。3、数据用motion1.1。
大模型微调--文章3
sccum的博客
08-13 282
答案：自然语言理解，是自然语言处理（NLP）中的一个重要子领域，涉及理解和处理人类语言的语义和语法，以便机器能够从文本中提取有意义的信息。NLU任务通常涉及对文本的深层次理解，包括解析句子结构、理解上下文、推理隐含意义。答案：prefix tuning是在每一层中插入可学习的前缀嵌入序列，而不是直接影响输入，在transformer每一层都添加前缀；p-tuning是直接在输入层中插入可学习的提示词（软提示），优化这些提示词以提高任务性能，仅在输入层进行更改，在其他层没有操作。
深度学习------------池化层
Einstein·Jun
08-13 1078
①池化层返回窗口中最大或平均值②缓解卷积层对位置的敏感性③同样有窗口大小、填充和步幅作为超参数设定一个任意大小的矩形池化窗口，并分别设定填充和步幅的高度和宽度# 池化窗口的大小，高度为2，宽度为3。
图卷积gcn的应用实例
11-02
图卷积网络（Graph Convolutional Networks，GCN）是一种用于处理图结构数据的深度学习模型。GCN的应用实例如下： 1. 社交网络分析：社交网络是一个典型的图结构数据，GCN可以用于社交网络的社区发现、节点分类和链接预测等任务。例如可以利用GCN来发现社交网络中的子群体，推荐用户或商品，预测用户的兴趣等。 2. 蛋白质互作网络分析：蛋白质之间的相互作用关系可以表示为图结构数据。GCN可以用于蛋白质之间的互作预测，研究蛋白质相互作用网络的拓扑结构和功能。 3. 推荐系统：GCN可以用于推荐系统中的用户-物品交互行为建模。传统的协同过滤方法无法直接考虑用户和物品之间的图结构关系，而GCN可以充分利用图结构信息提高推荐准确性。 4. 遥感图像分析：GCN可以用于处理遥感图像数据中的地理空间关系。通过利用图卷积神经网络，可以实现遥感图像的目标检测、地物分类和变化检测等任务。 总之，GCN的应用范围广泛，可以应用于各种需要处理图结构数据的任务，如社交网络分析、蛋白质互作网络分析、推荐系统和遥感图像分析等。通过学习图结构的相互关系，GCN能够在这些任务中提供更准确和有效的结果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

几两春秋梦_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值